不只是聊天:用 Python 搭一个会调用工具的 AI Agent

很多人第一次接触大模型时，最熟悉的用法就是“问一句，答一句”。

比如问它：

帮我分析一下这个销售数据。

普通大模型可能会直接给出一段泛泛而谈的分析建议，但它并不知道真实数据长什么样，也不会自动读取本地 CSV，更不会真正计算每个地区的销售额。

这就是普通聊天机器人和 Agent 智能体 的区别。

聊天机器人主要负责回答问题，Agent 则可以根据任务自动判断要不要调用工具，并利用工具完成具体操作。

比如这篇教程要做的事情很简单：

用户输入一句话：“帮我分析 sales.csv，看看哪个地区销售额最高，并生成一段总结。”

然后 Agent 自动完成：

1. 1. 读取 CSV 文件；
2. 2. 查看数据结构；
3. 3. 按地区汇总销售额；
4. 4. 找出销售额最高的地区；
5. 5. 生成一段中文分析结论。

这就是一个最基础的 数据分析 Agent。

一、案例背景

在实际的数据分析工作中，很多任务并不是“问答”就能完成的。

比如：

• • 读取一个 Excel 或 CSV 文件；
• • 检查数据字段是否完整；
• • 计算分组统计结果；
• • 判断哪个地区、行业、企业表现最好；
• • 最后生成一段可以直接写进报告的总结。

这些任务都需要真实执行。

大模型本身擅长理解语言和生成文本，但如果不给它工具，它并不能直接读取本地文件，也不能真正完成数据计算。

所以我们需要给大模型挂上工具。

可以把 Agent 理解成：

一个会理解任务、会选择工具、会根据工具结果继续生成答案的 AI 助手。

在这个教程里，我们就用 Python 搭一个小型 Agent，让它自动调用函数完成销售数据分析。

二、Agent 原理

一个最基础的 Agent 通常由三部分组成：

它的工作流程可以理解为：

用户提出任务↓模型理解任务↓判断是否需要调用工具↓调用 Python 函数↓函数返回真实结果↓模型基于结果生成最终回答

和普通问答相比，Agent 最大的变化在于：

它不是直接“编一个答案”，而是先通过工具获取结果，再根据结果组织回答。

三、代码思路

这篇教程使用一个简单的销售数据作为案例。

假设我们有一个 sales.csv 文件，里面记录了不同地区、不同产品的销售额。

示例数据如下：

我们希望用户只输入一句话：

请分析 sales.csv，看看哪个地区销售额最高，并生成一段简短总结。

Agent 能够自动判断：

1. 1. 这个任务需要读取数据；
2. 2. 这个任务需要按地区汇总；
3. 3. 这个任务需要找出最大值；
4. 4. 最后需要把结果整理成中文结论。

因此，我们需要给 Agent 准备两个工具：

四、核心代码展示

1. 安装依赖

先安装需要用到的 Python 包：

pip install openai-agents pandas python-dotenv

其中：

2. 配置 API Key

在项目目录中新建 .env 文件：

OPENAI_API_KEY=你的API密钥

这样代码运行时就可以自动读取密钥，不需要把密钥直接写进 Python 脚本。

3. 准备示例数据

先写一个脚本生成示例销售数据。

# create_demo_data.pyimport pandas as pddf = pd.DataFrame({    "date": [        "2026-01-01", "2026-01-02", "2026-01-03",        "2026-01-04", "2026-01-05", "2026-01-06"    ],    "region": ["华东", "华南", "华北", "华东", "华南", "华北"],    "product": ["A产品", "B产品", "A产品", "C产品", "A产品", "B产品"],    "sales": [12000, 9800, 15300, 17600, 14200, 11800]})df.to_csv("sales.csv", index=False, encoding="utf-8-sig")print("示例数据已生成：sales.csv")

运行代码：

python create_demo_data.py

运行后，项目目录中会生成一个 sales.csv 文件。

4. 定义工具函数

接下来定义 Agent 可以调用的工具。

第一个工具用于读取 CSV 文件，并返回数据的基本结构。

import pandas as pdfrom agents import function_tool@function_tooldef read_sales_data(file_path: str) -> str:    """    读取销售数据，并返回数据的基本信息。    """    df = pd.read_csv(file_path)    rows, cols = df.shape    columns = list(df.columns)    result = {        "行数": rows,        "列数": cols,        "字段": columns,        "前5行": df.head().to_dict(orient="records")    }    return str(result)

这段代码的作用是：

1. 1. 用 pandas.read_csv() 读取数据；
2. 2. 获取数据行数和列数；
3. 3. 获取字段名称；
4. 4. 返回前 5 行数据，方便 Agent 理解数据结构。

第二个工具用于按地区汇总销售额。

@function_tooldef summarize_sales_by_region(file_path: str) -> str:    """    按地区汇总销售额，并返回汇总结果。    """    df = pd.read_csv(file_path)    if "region" not in df.columns or "sales" not in df.columns:        return "数据中缺少 region 或 sales 字段，无法汇总。"    summary = (        df.groupby("region", as_index=False)["sales"]        .sum()        .sort_values("sales", ascending=False)    )    top_region = summary.iloc[0]["region"]    top_sales = summary.iloc[0]["sales"]    result = {        "地区销售额汇总": summary.to_dict(orient="records"),        "销售额最高地区": top_region,        "最高销售额": int(top_sales)    }    return str(result)

这段代码主要完成三件事：

1. 1. 检查数据中是否存在 region 和 sales 字段；
2. 2. 使用 groupby() 按地区汇总销售额；
3. 3. 找出销售额最高的地区。

5. 创建 Agent

工具定义好之后，就可以创建 Agent。

from agents import Agentsales_agent = Agent(    name="销售数据分析助手",    instructions="""你是一个数据分析助手。用户会给你一个 CSV 文件路径和一个分析任务。你需要根据任务自动判断是否调用工具：1. 如果需要读取数据，请调用 read_sales_data；2. 如果需要按地区汇总销售额，请调用 summarize_sales_by_region；3. 最后请用中文输出简洁、清楚的分析结论。注意：最终结论必须基于工具返回的真实结果。""",    tools=[        read_sales_data,        summarize_sales_by_region    ])

这里最关键的是 instructions。

它相当于给 Agent 设定工作规则：

• • 它是谁；
• • 它要完成什么任务；
• • 它可以使用哪些工具；
• • 最终应该如何输出结果。

6. 运行 Agent

最后写一个主函数，让 Agent 执行任务。

from dotenv import load_dotenvfrom agents import Runnerload_dotenv()def main():    user_task = """    请分析 sales.csv：    1. 先读取数据并说明数据结构；    2. 再按地区汇总销售额；    3. 找出销售额最高的地区；    4. 最后生成一段简短结论。    """    result = Runner.run_sync(sales_agent, user_task)    print("\n===== Agent 输出结果 =====\n")    print(result.final_output)if __name__ == "__main__":    main()

运行：

python agent_demo.py

五、结果展示

运行后，Agent 会先自动读取数据，再调用汇总工具，最后输出类似结果：

===== Agent 输出结果 =====已读取 sales.csv 数据。该数据共有 6 行、4 列，字段包括 date、region、product 和 sales。按地区汇总后，销售额结果如下：1. 华东：296002. 华北：271003. 华南：24000从结果看，华东地区销售额最高，总销售额为 29600。整体来看，华东和华北的销售表现相对更强，后续可以进一步分析不同产品在各地区的销售贡献。

汇总结果可以整理成表格：

从结果可以看到，华东地区销售额最高，总销售额为 29600；其次是华北地区，总销售额为 27100；华南地区为 24000。

这个结果不是模型直接猜出来的，而是 Agent 调用 Python 工具后得到的真实计算结果。

六、结果解读

这个案例虽然简单，但已经展示了 Agent 的基本逻辑。

这里最重要的一点是：

Agent 的回答依赖工具结果，而不是只依赖模型生成。

这也是 Agent 相比普通聊天机器人的核心优势。

普通聊天机器人更适合回答知识性问题，而 Agent 更适合处理“需要执行步骤”的任务。

比如：

• • 读取文件；
• • 查询数据库；
• • 调用 API；
• • 执行计算；
• • 生成报告；
• • 自动保存结果。

这些都可以通过工具扩展出来。

七、总结

这篇教程用一个简单的销售数据案例，演示了如何用 Python 搭建一个基础 Agent。

整个流程可以概括为：

自然语言任务→ Agent 判断需求→ 自动调用工具→ 工具返回结果→ 模型生成结论

在这个过程中，大模型不再只是回答问题，而是开始参与具体任务执行。

这也是 Agent 最有价值的地方：

让 AI 从“会聊天”变成“会干活”。

对于数据分析、科研辅助、企业报表、政策文本处理等场景来说，Agent 都可以继续扩展成更实用的工具。

比如：

• • Excel 数据分析 Agent；
• • PDF 文档问答 Agent；
• • 政策文本分类 Agent；
• • 企业风险预警 Agent；
• • 自动生成研究报告 Agent；
• • 数据库查询 Agent。

这类应用的核心并不复杂：给大模型合适的工具，再让它根据任务自动选择工具。

从这个角度看，Agent 不是一个抽象概念，而是一种非常实用的自动化工作流。